La plupart de la médecine moderne a des tests physiques ou des techniques objectives pour définir une grande partie de ce qui nous souffre.
Pourtant, il n'existe actuellement aucun test sanguin ou génétique, ni aucune procédure impartiale permettant de diagnostiquer définitivement une maladie mentale, et certainement aucun pour faire la distinction entre différents troubles psychiatriques présentant des symptômes similaires.
Les experts de l'Université de Tokyo combinent l'apprentissage automatique avec des outils d'imagerie cérébrale pour redéfinir la norme de diagnostic des maladies mentales.
«Les psychiatres, dont moi, parlent souvent de symptômes et de comportements avec les patients et leurs enseignants, amis et parents.
«Nous ne rencontrons des patients qu'à l'hôpital ou à la clinique, pas dans leur vie quotidienne. Nous devons tirer des conclusions médicales en utilisant des informations subjectives et de seconde main», a expliqué le Dr Shinsuke Koike, MD, Ph.D., professeur agrégé à l'Université. de Tokyo et auteur principal de l'étude récemment publiée dans Psychiatrie translationnelle.
« Franchement, nous avons besoin de mesures objectives », a déclaré Koike.
Sommaire
Défi des symptômes qui se chevauchent
D'autres chercheurs ont conçu des algorithmes d'apprentissage automatique pour faire la distinction entre ceux qui ont un problème de santé mentale et les non-patients qui se portent volontaires comme «témoins» pour de telles expériences.
« Il est facile de dire qui est un patient et qui est un témoin, mais il n'est pas si facile de faire la différence entre les différents types de patients », a déclaré Koike.
L'équipe de recherche UTokyo affirme que la leur est la première étude à faire la différence entre plusieurs diagnostics psychiatriques, y compris le trouble du spectre autistique et la schizophrénie.
Bien que dépeints très différemment dans la culture populaire, les scientifiques soupçonnent depuis longtemps que l'autisme et la schizophrénie sont en quelque sorte liés.
Les patients atteints d'un trouble du spectre de l'autisme ont un risque 10 fois plus élevé de schizophrénie que la population générale. Un soutien social est nécessaire pour l'autisme, mais généralement la psychose de la schizophrénie nécessite des médicaments, il est donc très important de faire la distinction entre les deux conditions ou de savoir quand elles coexistent. «
Shinsuke Koike, MD., PhD., Auteur principal de l'étude et professeur agrégé, Université de Tokyo
L'ordinateur convertit les images du cerveau en un monde de nombres
Une équipe multidisciplinaire d'experts médicaux et d'apprentissage automatique a formé son algorithme informatique à l'aide de scanners cérébraux IRM (imagerie par résonance magnétique) de 206 adultes japonais, une combinaison de patients déjà diagnostiqués avec un trouble du spectre autistique ou de schizophrénie, des personnes considérées à haut risque de schizophrénie et de leur premier cas de psychose, ainsi que des personnes neurotypiques sans problèmes de santé mentale.
Tous les volontaires autistes étaient des hommes, mais il y avait un nombre à peu près égal d'hommes et de femmes volontaires dans les autres groupes.
L'apprentissage automatique utilise des statistiques pour trouver des modèles dans de grandes quantités de données. Ces programmes trouvent des similitudes au sein des groupes et des différences entre les groupes qui se produisent trop souvent pour être facilement rejetées comme coïncidence.
Cette étude a utilisé six algorithmes différents pour distinguer les différentes images IRM des groupes de patients.
L'algorithme utilisé dans cette étude a appris à associer différents diagnostics psychiatriques à des variations d'épaisseur, de surface ou de volume des zones du cerveau dans les images IRM. On ne sait pas encore pourquoi une différence physique dans le cerveau est souvent constatée avec un problème de santé mentale spécifique.
Élargir la ligne mince entre les diagnostics
Après la période de formation, l'algorithme a été testé avec des scanners cérébraux de 43 patients supplémentaires.
Le diagnostic de la machine correspondait aux évaluations des psychiatres avec une grande fiabilité et jusqu'à 85% de précision.
Surtout, l'algorithme d'apprentissage automatique pourrait faire la distinction entre les non-patients, les patients atteints d'un trouble du spectre autistique et les patients présentant des facteurs de risque de schizophrénie ou de schizophrénie.
Les machines contribuent à façonner l'avenir de la psychiatrie
L'équipe de recherche note que le succès de la distinction entre les cerveaux de non-patients et d'individus à risque de schizophrénie peut révéler que les différences physiques dans le cerveau qui causent la schizophrénie sont présentes avant même que les symptômes n'apparaissent et restent ensuite cohérentes au fil du temps.
L'équipe de recherche a également noté que l'épaisseur du cortex cérébral, les 1,5 à 5 centimètres supérieurs du cerveau, était la caractéristique la plus utile pour distinguer correctement les personnes atteintes de troubles du spectre autistique, de schizophrénie et les individus typiques.
Cela dévoile un aspect important du rôle que l'épaisseur du cortex joue dans la distinction entre les différents troubles psychiatriques et peut orienter les études futures pour comprendre les causes de la maladie mentale.
Bien que l'équipe de recherche ait formé son algorithme d'apprentissage automatique à l'aide de scans cérébraux d'environ 200 personnes, toutes les données ont été collectées entre 2010 et 2013 sur un appareil IRM, ce qui a garanti la cohérence des images.
«Si vous prenez une photo avec un iPhone ou un téléphone avec appareil photo Android, les images seront légèrement différentes. Les appareils IRM sont également comme ça – chaque IRM prend des images légèrement différentes, donc lors de la conception de nouveaux protocoles d'apprentissage automatique comme le nôtre, nous utilisons la même IRM. machine et exactement la même procédure IRM », a déclaré Koike.
Maintenant que leur algorithme d'apprentissage automatique a prouvé sa valeur, les chercheurs prévoient de commencer à utiliser des ensembles de données plus volumineux et, espérons-le, coordonner des études multisites pour entraîner le programme à fonctionner quelles que soient les différences d'IRM.
La source:
Référence du journal:
Yassin, W., et al. (2020) Classification de l'apprentissage automatique à l'aide de données de neuroimagerie dans la schizophrénie, l'autisme, le risque ultra-élevé et la psychose du premier épisode. Psychiatrie translationnelle. doi.org/10.1038/s41398-020-00965-5.
